Hugging Face Blog·· 3 小时前AI 评分26
微软与 Hugging Face 用 ThinkingBox 数据库校验结果作为 RL 奖励训练智能体
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 将 ThinkingBox 对数据库终态的可执行校验结果用作 RL 奖励，对 Qwen3.8-27B 做 50 步 GRPO 微调后，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个。
来源：Hugging Face Blog · huggingface.co